关键词： 电力市场   实时电价预测   经验小波变换   特征提取   极限学习机  

摘要： 针对实时电价数据波动性强及其影响因素复杂,导致现有预测模型稳定性及预测精度低的问题,提出了一种基于改进极限学习机的电力市场实时电价预测方法。设计了基于经验小波变换的实时电价数据分解方法,将电价序列分解为接近价格的低频信号和噪声的高频信号。同时提出基于改进随机森林的实时电价特征提取算法,根据预测重要度获取最优的电价影响因素特征组合。以此为基础,将核函数替代极限学习机隐藏层构建了R-KELM预测模型,更好地反映了多因素影响下实时电价的不确定性和波动性。以PJM实时电价数据为例,结果表明,所提方法可以有效克服电价数据强波动性及高特征冗余的问题,预测模型准确性及稳定性得到显著提升。

关键词： 植被   滑坡   边坡失稳   林地   机器学习模型  

摘要： 为探究高植被覆盖区浅层滑坡的影响因素并构建最优的滑坡预测模型,该研究以华蓥市山区林地为研究对象,考虑了蓄积量、林分密度、平均树龄、林分类型和红绿植被指数(green-red vegetation index,GRVI)等植被因子,并结合地形地质因素,经过Boruta重要性分析以及共线性诊断,利用Logistic回归模型、广义相加模型、随机森林模型、支持向量机模型和人工神经网络模型等5种机器学习模型构建华蓥市山区林地浅层滑坡预测模型,并结合历史滑坡点检验,提出华蓥市山区林地浅层滑坡的最佳预测模型及高易发性区域的植被特征。结果表明:1)工程地质岩组、距河流距离、距断层距离、林分类型、平均树龄和蓄积量是影响浅层滑坡的主要因子;2)不同因子组合对模型精度有极大的影响,考虑蓄积量、林分密度、平均树龄等植被因子有利于提高模型的预测精度;3)在5种模型中,预测精度最高的模型为随机森林模型,精度可达到95.05%;4)研究区高易发性及以上区域的面积为25.31 km^(2),占研究区总面积的14.79%,低密度(1000~1500株/hm^(2))、高蓄积量(>80 m3/hm^(2))和高树龄(>30 a)是浅层滑坡发生的主要植被特征。该研究结果可为中国高植被覆盖区极端暴雨型滑坡的预警与防控提供科学决策和技术支撑。

关键词： 滑坡敏感性   数据驱动   元学习   小样本学习  

摘要： 滑坡灾害是当前制约中国西部山区重大基础设施建设的最重要因素之一。如何可靠开展广域范围滑坡敏感性预测,一直是国内外研究的难点。现有以深度学习为代表的数据驱动广域复杂环境敏感性分析方法仍面临两大挑战:(1)广域范围滑坡孕灾环境的差异性:单一模型难以可靠预测(解释)不同孕灾环境滑坡易发性;(2)小样本问题:中国西南山区滑坡隐蔽性强,探测成本高昂,样本数据少。针对以上问题,以中国重庆市綦江、涪陵区为例,采用分块预测策略,元学习一种泛化性强的适于滑坡敏感性小样本预测的中间表征,通过局部区域中极少的样本和反向传播梯度迭代次数,将模型快速适应于当前局部区域滑坡敏感性预测任务,从而解决广域范围滑坡孕灾环境差异问题与小样本问题。区别于支持向量机、多层感知机、随机森林等传统方法需要大量样本及梯度迭代训练监督模型,所提方法仅需要小样本微调中间模型,就使滑坡敏感图预测精度提升1%~5%,准确度提升1%~3%,F1分数提升0.5%~6%,召回率接近其他方法最高水平。

关键词： 建筑工程   施工成本预测   极限学习机   支持向量机   融合预测模型  

摘要： 随着建筑工程行业的发展,施工成本预测越来越受到重视。为了提高预测准确性,我们提出了一种基于极限学习机(ELM)和支持向量机(SVM)的融合预测模型。首先,我们分别构建了基于ELM和SVM的子预测模型,然后通过加权融合策略将两种子模型结合在一起。实验结果表明,所提出的融合预测模型在建筑工程施工成本预测方面表现优越,具有较高的预测精度和稳定性。我们对比了ELM、SVM和多层感知机(MLP)等方法的性能,并对融合预测模型进行了详细的分析。此外,我们还讨论了未来研究方向,以期推动建筑工程施工成本预测领域的发展。

关键词： 地铁轨道   沉降预测   小波去噪   粒子群优化(PSO)   极限学习机(ELM)  

摘要： 地铁轨道结构变形是影响地铁安全运营的重要因素,尤其是在沉降变形方面,因此监测地铁轨道沉降变形,同时根据监测结果对轨道的沉降变形趋势进行准确判断具有重要意义。本文以某市地铁2号线轨道监测数据为例,发挥小波分析与极限学习机(ELM)模型在数据处理、数据预测中的优势,将粒子群优化(PSO)算法用于ELM模型参数优化中,构建基于小波去噪的PSO-ELM组合预测模型,进行地铁轨道的沉降变形预测研究。通过小波分析进行监测数据去噪,解决了监测数据不稳定带来的预测结果的干扰问题;通过构建PSO-ELM组合预测模型,解决了模型参数选取随机性带来的预测精度受限问题。本文将提出的小波去噪PSO-ELM模型与单一ELM模型、小波去噪ELM模型的沉降预测结果进行对比分析,结果表明本文提出的组合预测模型预测精度最高,同时预测误差不会随预测期数的增加产生明显变化,具有较高的稳健性与适应性。

关键词： 短期负荷预测   极限学习机   微电网   实际负荷   运行经济性   信息矩阵   变量相关性  

摘要： 常规的新能源微电网短期负荷预测方法主要使用气象相似日集确定预测变量相关性,易受信息矩阵变化影响,导致预测负荷与实际负荷相差过高。因此,需要基于极限学习机设计一种全新的新能源微电网短期负荷预测方法。即生成了新能源微电网短期负荷预测指标,利用极限学习机构建了微电网短期负荷预测模型,设计了新能源微电网短期负荷预测算法,从而实现新能源微电网短期负荷预测。实验结果表明,设计的新能源微电网极限学习机短期负荷预测方法的预测负荷与实际负荷较接近,证明设计的短期负荷预测方法的预测效果较好,具有准确性,有一定的应用价值,为提高微电网运行经济性作出了一定的贡献。

关键词： 现货价格预测   人工神经网络   极限学习机   电力市场  

摘要： 电力不同于其他商品一样能够进行存储,电力现货价格往往存在着不确定性。在竞争激烈的市场中,电力现货价格预测模型成为了电力相关企业非常重要的工具。为进一步加强电力相关企业的购电决策能力,提出了一种基于极限学习机算法的中短期电力现货价格预测模型。首先通过极限学习机算法训练的人工神经网络确定未来半年的月平均现货价格,其次在算法中构建参考函数返回与给定风险相关的参考价格,降低现货市场波动风险。结果表明,所提出模型的预测均方根误差低于期货价格相关值的10%,能够改善中短期电力交易决策,降低决策风险。

关键词： 日径流预测   正则化极限学习机   蜣螂优化算法   珍鲹优化算法   泥环算法   小波包变换   三峡水库  

摘要： 准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

关键词： 滑坡位移   变分模态分解   深度学习   粒子群优化   灰色关联度  

摘要： 针对传统方法在滑坡位移预测时准确率不高、泛化性不足等问题，基于“分解—预测—重构”思想，提出了一种将变分模态分解和深度学习相结合的滑坡位移预测模型。该模型通过灰色关联度分析确定滑坡位移的影响特征，采用粒子群优化算法（ Particle Swarm Optimization， PSO）对变分模态分解（ Variational Mode Decomposition， VMD）进行优化，将滑坡位移分解为具有不同物理意义的分量。针对分解后各分量的时序特点，分别采用多项式曲线拟合、长短时记忆网络（ Long Short-Term Memory，LSTM）和时间卷积网络（ Temporal Convolutional Networks， TCN）进行预测，最终将各分量预测值重构叠加，实现滑坡位移的精准预测。以八字门滑坡数据为例，采用决定系数(Coefficient of Determination， R2)、平均绝对误差（Mean Absolute Error， MAE）、均方根误差（Root Mean Square Error， RMSE）等指标对模型进行量化评估。结果表明：所提出的滑坡位移预测模型精度达到98.6%，能够有效提取滑坡位移数据中隐含的信息特征，对滑坡位移获取具有一定的借鉴意义；在各分量预测中采用不同的模型时，预测效果存在显著差异。因此，针对各分量特征的不同，建立相应的预测模型能够有效提高滑坡位移预测精度；通过参数敏感性分析，得出模型的输入序列长度为12时精度最佳。本文所提模型预测精度良好，可以为滑坡防灾减灾工程的实际应用提供参考。

关键词： 阶跃型滑坡   变形机理   位移预测   Informer   自注意力机制   影响因子  

摘要： 阶跃型滑坡变形时间曲线呈阶梯状,阶跃变形量大,准确预警预报困难。针对现有模型在阶跃型滑坡快速变形阶段预测误差大的问题,提出一种机理引导下的阶跃型滑坡变形预测模型,该模型在深入分析滑坡变形机理上,结合变分模态分解开展滑坡位移和影响因子的动态响应分析,为Informer模型提供合理有效的外部影响因子输入,结合多头注意力机制和池化层,实现阶跃期时序数据关键周期信息的有效提取。本研究以三峡库区白水河滑坡为例,收集水库蓄水以来连续15年的逐月位移监测数据及同期逐天的降雨和库水位数据。试验结果表明,本文模型在阶跃型滑坡位移预测中整体预测精度较高,与主流预测模型相比,该模型对快速变形期的阶跃变形预测较为准确,预测误差较小。